用一张照片做一支 AI 说唱视频

过去做一支 AI 说唱视频意味着一整套工具:在聊天窗口写词,在音乐生成器里做伴奏,在图像模型里出图,再去另一个工具做动画,最后在 CapCut 里剪。Hookai 把这些收成了一条路径——一张照片加一个主题进,自带人声与伴奏的对口型说唱成片出。

凡是还在开发中的环节,我们都会直接说明,这样不会有人按不存在的功能去做计划。

你实际需要准备什么

• 一张清晰的照片。 正脸、光线充足,不戴墨镜,不加重度滤镜。双人视频再多一张。
• 一个主题——生日、团队、某种情绪;如果你想引导内容,也可以写一段简短的主旨描述。
• 大约十分钟,大部分时间在等渲染。

不需要粘贴歌词,也不需要先做好一首歌。说唱音频会随视频一起生成。

第 1 步:上传照片

选一个要出现在画面里的人。生成器会把这张脸当作说唱者,并在整条片子里保持一致,所以照片质量是你最有控制力的一个变量:

• 一张照片一个人——不要合影
• 正对镜头,眼睛可见,不戴墨镜
• 均匀光比戏剧性阴影更好
• 不要重度美颜滤镜,它会和换脸打架

双人视频再加一张合作艺人的照片。角色一致性会让两张脸都清晰可辨,而不是融在一起。

第 2 步:选择场景与主题

选择场景,以及你希望这支说唱讲什么——也可以自己写一段简短的主旨描述来定调和定内容。模型是照着主题去写、去唱的,所以具体的主题("给 30 岁生日的嗨歌")比空泛的主题("做得酷一点")效果更好。

粘贴自己的歌词、上传自己的伴奏或 Suno 导出文件属于规划中的功能,目前界面里还没有,所以第一条片子请围绕主题文本来做。

第 3 步:选模型、清晰度和时长

设置模型、清晰度、画幅比例与时长:

• 清晰度——480P 消耗 150 积分,720P 消耗 300 积分,按条选择。如果是新照片的第一次生成,先用 480P 看看脸的贴合度,再把满意的用 720P 重做。
• 画幅——默认 9:16 竖屏,另有 16:9 与 1:1。
• 时长——5 到 15 秒,默认 10 秒。

第 4 步:渲染,然后修掉不对的地方

点「Render our rap」,几分钟内就能拿到初版。人声和伴奏与画面一起生成,没有单独的音频步骤。生成失败会自动退积分。

当某条片子感觉不对时,按这个顺序排查:

• 换一张更好的正面照片——它修掉的「对口型很差」问题比什么都多
• 把主题写得更具体,让表演有明确的目标
• 用 480P 重渲染,而不是靠烧积分去猜
• 单镜头重生成是规划中的功能,界面里还没有;目前修正某个镜头靠重新渲染

第 5 步:下载并发布

下载 MP4,发到 TikTok、Reels、Shorts 或 YouTube。不需要时间轴剪辑——但如果你想要最后的修剪或字幕叠加,CapCut 依然好用。成片可下载 7 天,记得及时保存。

大家常犯的错

• 上传没同意的人。 只用已授权的照片。不要公众人物,不要未成年人,不要用于误导的深度伪造。
• 期待一个音素准确率数字。 Hookai 的准确率还没有实测,所以我们不公布任何数字。
• 把照片的问题算到模型头上。 大多数「对口型很差」的故事,起点都是一张糊的、侧脸的或滤镜过重的照片。

常见问题

用 Hookai 需要先做好一首歌吗? 不需要。说唱音频由 Hookai 随视频一起生成,不用先上传什么。粘贴歌词、上传自己的伴奏或 Suno 导出文件属于后续规划。

第一条应该选哪个清晰度? 测试用 480P(150 积分),要发布的那条用 720P(300 积分)。

一条视频要多久? 每次渲染几分钟。我们没有公布基准数据,因为生产流量上还没有实测。

渲染失败会怎样? 自动退还积分,这一部分已经生效。

我可以出售或变现视频吗? 付费用户可以将生成的视频用于个人及商业推广(投放广告、社媒发布、为自己的品牌或业务做客户营销),但不得当作竞品 AI 视频服务转售。具体表述见服务条款。

Hookai 用 Suno 吗? 不用。Hookai 不调用 Suno 的任何接口,说唱音频由它自己生成。导入 Suno 曲目是后续规划。

准备好了?

打开生成器,放一张照片、选一个主题,看看当前版本能做到什么。想了解它和「先做歌」这条路线的区别,接着读从 Suno 到 AI 说唱视频。